python爬虫爬取知网

话不多说，直接上代码！

import requests
import re
import time
import xlrd
from xlrd import open_workbook
from xlutils.copy import copyclass BeautifulPicture():def get_pic(self):data = xlrd.open_workbook(r'C:\\flim\library_my\new.xls')  # 打开xls文件，自己新建这个文件在运行路径，不然不行的哦table = data.sheets()[0]  # 打开第一张表table2 = data.sheets()[1]  # 打开第一张表i = table.nrows #上一次爬到的表1的行数i1 = 0i2 = table2.nrows #上一次爬到的表2的行数told = 0rb = open_workbook(r'C:\\flim\library_my\new.xls','utf-8')wb = copy(rb) # 将上一次爬到的复制到新表里，并在新表里继续添加纪录# 通过get_sheet()获取的sheet有write()方法ws = wb.get_sheet(0)ws1 = wb.get_sheet(1)p = 1  # 这里是页数for num in range(p, p + 100):# 这里的num是页码web_url ='http://kns.cnki.net/kns/brief/brief.aspx?curpage=%s&Reco' \'rdsPerPage=50&QueryID=8&ID=&turnpage=1&tpagemode=L&dbPref' \'ix=SCDB&Fields=&DisplayMode=listmode&PageName=ASP.brief_' \'default_result_aspx#J_ORDER&' % num #这里的URL实现了二次加载print('搜素页的URL=',web_url)# 这里开始是时间控制t = int(time.clock())print(t / 60, '分钟')useTime = t - told# 如果一个周期的时间使用太短，则等待一段时间# 主要用于防止被禁if (useTime < 120 and useTime > 10):print("useTime=%s" % useTime)whiteTime = 120 - useTimeprint("等待%s秒" % whiteTime)time.sleep(whiteTime)told = int(time.clock())print(t)print('开始网页get请求')r = self.request(web_url)# 这里是报错的解释，能知道到底是因为什么不能继续爬了# 一开始会看爬到的源代码，但是之后正式开始爬的时候，打印页面源代码会拉低爬虫效率yan = re.search(r'参数错误', r.text)if yan != None:print("参数")breakyan = re.search(r'验证码', r.text)if yan != None:print("验证")break#这里开始抓列表里每一个文献的urlsoup = re.findall(r'<TR([.$\s\S]*?)</TR>', r.text)#print(soup)#测试打印for a in soup:print("-", i1)#print(a)#测试代码i1 += 1name = re.search(r'_blank.*<', a)#print('初次取的=',name)#测试代码name = name.group()[8:-1]#print('第二次=',name)#测试代码name = re.sub(r'<font class=Mark>', '', name)#print('第三次=', name)  # 测试代码name = re.sub(r'</font>', '', name)#print('第四次=', name)  # 测试代码url = re.search(r'href=.*? ', a)#将’‘看做一个子表达式，惰性匹配一次就可以了url = url.group()#print('爬取的详情页的URL=',url)#测试代码# 将爬来的相对地址，补充为绝对地址url = "http://kns.cnki.net/KCMS/" + url[11:-2]#数字是自己数的。。。#print("url:%s" % url) # 这里是写代码时测试留下的print记录#下面是参考文献详情的URLFN = re.search(r'FileName.*?&', url)#.group()#出现错误 没有匹配！！！if FN !=None:#测试代码FN = re.search(r'FileName.*?&', url).group()#print(FN)#测试代码DN = re.search(r'DbName.*?&', url)#.group()if DN !=None:#测试代码DN=re.search(r'DbName.*?&', url).group()#print(DN) #测试代码DC = re.search(r'DbCode.*?&', url).group()DUrl = "http://kns.cnki.net/KCMS/detail/frame/list.aspx?%s%s%sRefType=1" % (FN, DN, DC)#print('DUrl=',DUrl)#测试代码# 这里打开文献详情页R = self.request(DUrl)#如果没有参考文献，则认为是劣质文献，不爬，转爬下一篇isR = re.search(r'参考文献', R.text)if i1 == 1:print("没有参考文献的文章:%s" % name)if isR == None:continue# 详情页print(i)print("文章名字:%s" % name)d = self.request(url).text#print('d=',d)#测试代码# 这里是文献摘要，summary = re.search(r'(?<=name="ChDivSummary">).+?(?=</span>)', d)summary=summary.group()#print('摘要=',summary)type = re.search(r'"\).html\(".*?"', d)type = type.group()[9:-1]ins = re.search(r'TurnPageToKnet\(\'in\',\'.*?\'', d)if ins == None:continueins = ins.group()[21:-1]wt = re.findall(r'TurnPageToKnet\(\'au\',\'.*?\'', d)writer = ""for w in wt:writer = writer + "," + w[21:-1]writer = writer[1:]ws.write(i, 0, name)    #文献名ws.write(i, 1, writer)  #作者名ws.write(i, 2, type)    #文献类别ws.write(i, 15, num)    #列表的页码ws.write(i, 3, summary)  # 摘要ws.write(i, 16, time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))) #记录的时间# 这里是文献的关键词，最多可以记录8个关键词kw = re.findall(r'TurnPageToKnet\(\'kw\',\'.*?\'', d)tnum = 0for tkw in kw:tnum += 1tkw = tkw[21:-1]if tnum > 8:breakws.write(i, 3 + tnum, tkw)# 这里是文献的来源基金fund = re.search(r'TurnPageToKnet\(\'fu\',\'.*?\'', d)if fund != None:fund = fund.group()[21:-1]ws.write(i, 11, fund)# 分类号cn = re.search(r'ZTCLS.*?</p', d)if cn != None:cn = cn.group()[19:-3]ws.write(i, 12, cn)# 这是机构jg = re.search(r'TurnPageToKnet\(\'in\',\'.*?\'', d)if jg != None:jg = jg.group()[21:-1]#print(jg)ws.write(i, 17, jg)# 是否为核心期刊sourinfo = re.search(r'sourinfo([.$\s\S]*?)</div', d)if sourinfo != None:sourinfo = sourinfo.group()# print(sourinfo)from_ = re.search(r'title.*</a', sourinfo).group()from_ = re.sub(r'title">.*?>', '', from_)from_ = re.sub(r'</a', '', from_)ws.write(i, 13, from_)core = re.search(r'中文核心期刊', sourinfo)if core != None:print(core.group())ws.write(i, 14, "中文核心期刊")# ws.write(i, 0, a)i += 1 # 增加页码的计数wb.save('new.xls') # 保存表格*******有改变 有问题def request(self, url):  # 返回网页的response# print(url)# 这里是伪造浏览器信息，和伪造来源user_agent = 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Ch' \'rome/58.0.3029.81 Safari/537.36'referer = "http://kns.cnki.net/kns/brief/result.aspx"# 这里是伪造cookie，你要从浏览器里复制出来，粘贴在这里# 可以把里面的时间不断更新，这样能爬久一点cookie = 'cnkiUserKey=e0b40271-cdc0-fd83-36fa-9d4c5f8f2a86; RsPerPage=5' \'0; KNS_DisplayModel=custommode@CJFQ; UM_distinctid=161275ba757a' \'16-0ed232d4ab2da2-6010107f-15f900-161275ba75895e; Ecp_Cli' \'entId=3170915092701569567; ASP.NET_SessionId=3dnqvlsxovsla4' \'ywvr2ykp4c; SID_kns=123106; SID_crrs=125131; SID_klogin=12514' \'3; SID_krsnew=125132; SID_kcms=124113; SID_knsdelivery=125124;' \' CNZZDATA3258975=cnzz_eid%3D995934993-1516843818-http%253A%252' \'F%252Fkns.cnki.net%252F%26ntime%3D1517383256; Ecp_session=1; ' \'c_m_LinID=LinID=WEEvREcwSlJHSldRa1FhdkJkVWI2VUJNODFzUHlUaC9LN' \'XZrUDkrcXhYbz0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4ggI8Fm4gTkoU' \'KaID8j8gFw!!&ot=02/01/2018 18:13:09; LID=WEEvREcwSlJHSldRa1F' \'hdkJkVWI2VUJNODFzUHlUaC9LNXZrUDkrcXhYbz0=$9A4hF_YAuvQ5obgVAqN' \'KPCYcEjKensW4ggI8Fm4gTkoUKaID8j8gFw!!; c_m_expire=2018-02-01 ' \'18:13:09; Ecp_LoginStuts=%7B%22IsAutoLogin%22%3Afalse%2C%22U' \'serName%22%3A%22KT1008%22%2C%22ShowName%22%3A%22%25E8%25A5%2' \'5BF%25E5%258D%2597%25E7%259F%25B3%25E6%25B2%25B9%25E5%25A4%' \'25A7%25E5%25AD%25A6%22%2C%22UserType%22%3A%22bk%22%2C%22r%2' \'2%3A%22RrMW7A%22%7D'headers = {'User-Agent': user_agent,"Referer": referer,"cookie": cookie}r = requests.get(url, headers=headers, timeout=30)return rprint(time.clock())
beauty = BeautifulPicture()  # 创建类的实例
beauty.get_pic()  # 执行类中的方法

python爬虫爬取知网相关推荐

在当当买了python怎么下载源代码-python爬虫爬取当当网
[实例简介]python爬虫爬取当当网 [实例截图] [核心代码] ''' Function: 当当网图书爬虫 Author: Charles 微信公众号: Charles的皮卡丘 ''' impor ...
Python爬虫:爬取知乎上的视频，并把下载链接保存到md文件中
Python爬虫:爬取知乎上的视频,并把下载链接保存到md文件中 1.需要的Python模块主要是requests模块,用于得到的网页的数据安装命令为:pip install requests 2 ...
利用python爬取知乎评论_一个简单的python爬虫,爬取知乎
一个简单的python爬虫,爬取知乎主要实现爬取一个收藏夹里所有问题答案下的图片文字信息暂未收录,可自行实现,比图片更简单具体代码里有详细注释,请自行阅读项目源码: 1 # -*- c ...
python爬虫爬取当当网的商品信息
python爬虫爬取当当网的商品信息一.环境搭建二.简介三.当当网网页分析 1.分析网页的url规律 2.解析网页html页面书籍商品html页面解析其他商品html页面解析四.代码实现 ...
[python爬虫]爬取天气网全国所有县市的天气数据
[python爬虫]爬取天气网全国所有县市的天气数据访问URL 解析数据保存数据所要用到的库 import requests from lxml import etree import xlwt ...
Python爬虫-爬取知乎（小结）
本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理以下文章来源于腾讯云作者:小小科 ( 想要学习Python?Python学习交流 ...
使用Python+xpath爬取知网所有中英文期刊的封面背景图片
使用Python+xpath+beautifulsoup爬取知网所有中英文期刊的封面背景图片` import json import requests from bs4 import Beautifu ...
Python爬虫爬取知乎用户信息+寻找潜在客户
[Python应用]寻找社交网络中的目标用户日后的更新:由于是很久以前的课程设计项目,完整的源码已经不见了,关键的网页数据获取和解析的部分代码我在文章中已经贴出来了,但写的也不够好,如果想参考爬取知 ...
Python爬虫爬取东方财富网的股票信息
简单的Python爬虫应用目标:爬取东方财富网的股票信息 1.先找到要爬取的网页 2.第二步开始爬取信息 2.1 通过requests获取网页信息 2.2再通过BeautifulSoup解析: 2. ...

python爬虫爬取知网

python爬虫爬取知网

python爬虫爬取知网相关推荐

最新文章

热门文章